kmeans代码实现聚类

好的，以下是一个简单的 Python 代码实现 K-means 聚类的例子：

import numpy as np

class KMeans:
    def __init__(self, k=2, max_iterations=500):
        self.k = k
        self.max_iterations = max_iterations
    
    def fit(self, data):
        self.centroids = []
        
        # 初始化聚类中心
        for i in range(self.k):
            self.centroids.append(data[i])
        
        for i in range(self.max_iterations):
            # 分配数据点到最近的聚类中心
            clusters = {}
            for i in range(self.k):
                clusters[i] = []
            
            for point in data:
                distances = [np.linalg.norm(point - self.centroids[centroid]) for centroid in range(self.k)]
                cluster = distances.index(min(distances))
                clusters[cluster].append(point)
            
            # 计算新的聚类中心
            prev_centroids = self.centroids.copy()
            for cluster in clusters:
                self.centroids[cluster] = np.average(clusters[cluster], axis=0)
            
            # 如果聚类中心不再发生变化，则停止迭代
            if np.allclose(prev_centroids, self.centroids):
                break
    
    def predict(self, data):
        clusters = {}
        for i in range(self.k):
            clusters[i] = []
        
        for point in data:
            distances = [np.linalg.norm(point - self.centroids[centroid]) for centroid in range(self.k)]
            cluster = distances.index(min(distances))
            clusters[cluster].append(point)
        
        return clusters

在上面的代码中，我们首先定义了一个 `KMeans` 类，它有两个参数 `k` 和 `max_iterations`，分别表示聚类的数量和最大迭代次数。然后我们定义了 `fit` 方法来拟合数据，和 `predict` 方法来预测新的数据点所属的聚类。

在 `fit` 方法中，我们首先随机初始化了聚类中心，然后在每一轮迭代中，我们先把数据点分配到离它们最近的聚类中心所在的簇中，然后计算新的聚类中心。如果新的聚类中心和上一轮迭代的聚类中心相同，则停止迭代。在 `predict` 方法中，我们根据已经拟合好的聚类中心，把新的数据点分配到离它们最近的聚类中心所在的簇中。

以上就是一个简单的 K-means 聚类的 Python 代码实现。